論文の概要: Knowledge Transfer for Few-shot Segmentation of Novel White Matter
Tracts
- arxiv url: http://arxiv.org/abs/2105.14513v1
- Date: Sun, 30 May 2021 11:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:59:12.082385
- Title: Knowledge Transfer for Few-shot Segmentation of Novel White Matter
Tracts
- Title（参考訳）: 新規白質路の少数ショットセグメンテーションのための知識伝達
- Authors: Qi Lu and Chuyang Ye
- Abstract要約: 拡散磁気共鳴画像(dMRI)に基づく白質(WM)トラクションセグメンテーションにおける畳み込みニューラルネットワーク(CNN)の最先端性能
これらのCNNは、一般に労働集約的でコストがかかる訓練のために、WMの関心事の多くの手作業による記述を必要とする。
本稿では,これらの知識を,いくつかの場面で新規なWMトラクツのセグメンテーションに伝達する方法について検討する。
- 参考スコア（独自算出の注目度）: 3.6713387874278247
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs) have achieved stateof-the-art
performance for white matter (WM) tract segmentation based on diffusion
magnetic resonance imaging (dMRI). These CNNs require a large number of manual
delineations of the WM tracts of interest for training, which are generally
labor-intensive and costly. The expensive manual delineation can be a
particular disadvantage when novel WM tracts, i.e., tracts that have not been
included in existing manual delineations, are to be analyzed. To accurately
segment novel WM tracts, it is desirable to transfer the knowledge learned
about existing WM tracts, so that even with only a few delineations of the
novel WM tracts, CNNs can learn adequately for the segmentation. In this paper,
we explore the transfer of such knowledge to the segmentation of novel WM
tracts in the few-shot setting. Although a classic fine-tuning strategy can be
used for the purpose, the information in the last task-specific layer for
segmenting existing WM tracts is completely discarded. We hypothesize that the
weights of this last layer can bear valuable information for segmenting the
novel WM tracts and thus completely discarding the information is not optimal.
In particular, we assume that the novel WM tracts can correlate with existing
WM tracts and the segmentation of novel WM tracts can be predicted with the
logits of existing WM tracts. In this way, better initialization of the last
layer than random initialization can be achieved for fine-tuning. Further, we
show that a more adaptive use of the knowledge in the last layer for segmenting
existing WM tracts can be conveniently achieved by simply inserting a warmup
stage before classic fine-tuning. The proposed method was evaluated on a
publicly available dMRI dataset, where we demonstrate the benefit of our method
for few-shot segmentation of novel WM tracts.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は,拡散磁気共鳴画像(dMRI)に基づいて,白色物質(WM)トラクションセグメンテーションの最先端性能を達成した。
これらのCNNは、一般に労働集約的でコストがかかるWMの訓練に多くの手作業による指示を必要とする。
新しいWMトラクション、すなわち既存の手動デラインに含まれていないトラクションを解析する場合、高価な手動デライン化は特に不利になる可能性がある。
新規WMトラクトを正確にセグメンテーションするには、既存のWMトラクトについて学んだ知識を伝達することが望ましいので、新規WMトラクトをわずかに記述しても、CNNはセグメンテーションのために適切に学習することができる。
本稿では,これらの知識を,いくつかの場面で新規なWMトラクトのセグメンテーションに移行することを検討する。
古典的な微調整戦略は目的に利用できるが、既存のwmパスをセグメント化するための最後のタスク特定層の情報は、完全に破棄される。
我々は、この最後の層の重みは、新しいWMトラクトをセグメント化するための貴重な情報を保持することができるため、情報を完全に破棄することは最適ではないと仮定する。
特に,新しいWMトラクトは既存のWMトラクトと相関し,新しいWMトラクトのセグメンテーションは既存のWMトラクトのロジットで予測できると考えられる。
このように、微調整のためにランダム初期化よりも最終層のより良い初期化が達成できる。
さらに,古典的な微調整の前にウォームアップステージを挿入するだけで,既存のWMトラクトを分割するための最終層における知識をより適応的に利用できることを示す。
提案手法はdmriデータセット上で評価され,提案手法が新規なwm路の少数画分節化に有用であることを実証した。
関連論文リスト
- Cross-Domain Few-Shot Segmentation via Iterative Support-Query
Correspondence Mining [81.09446228688559]
Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。
本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
論文 参考訳（メタデータ） (2024-01-16T14:45:41Z) - One-Shot Segmentation of Novel White Matter Tracts via Extensive Data
Augmentation [3.813608775141218]
深層学習法は, 自動ホワイトマター(WM)トラクションセグメンテーションの最先端性能を達成した。
これらの方法では、セグメンテーションモデルは、多数の手動のアノテートスキャンで訓練する必要がある。
本研究では,新しいWMトラクタのワンショットセグメンテーションの問題について検討する。
論文 参考訳（メタデータ） (2023-03-13T04:47:15Z) - FIESTA: Autoencoders for accurate fiber segmentation in tractography [0.451460103439387]
ホワイトマターバンドルセグメンテーション(White matter bundle segmentation)は、神経疾患、神経外科、老化などの領域における脳の構造的接続を研究するための、現代のトラクトグラフィーの基盤である。
FIESTA (FIbEr in Tractography using Autoencoders) は信頼性が高く、堅牢で、完全に自動化され、深層オートエンコーダをベースとした半自動校正パイプラインである。
提案手法はRecoBundles, RecoBundlesX, TractSeg, White Matter Analysis, XTRACTなどの最先端の仮想解剖法よりも信頼性が高いことを示す。
論文 参考訳（メタデータ） (2022-11-30T22:28:24Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Adaptive Reordering Sampler with Neurally Guided MAGSAC [63.139445467355934]
そこで我々は, 常に不整数のみを構成する確率が最も高い試料を選定する頑健な推定器のための新しいサンプリング器を提案する。
反復が失敗すると、イリヤ確率はベイズ的アプローチによって原則的に更新される。
幾何的に妥当な方法で、あらゆる種類の特徴に対して推定できる配向とスケールを利用する新しい損失を導入する。
論文 参考訳（メタデータ） (2021-11-28T10:16:38Z) - Non-Parametric Unsupervised Domain Adaptation for Neural Machine
Translation [61.27321597981737]
$k$NN-MTは、トレーニング済みニューラルネットワーク翻訳(NMT)モデルとドメイン固有のトークンレベルである$k$-nearest-neighbor検索を直接組み込むという有望な能力を示している。
対象言語におけるドメイン内単言語文を直接使用して,$k$-nearest-neighbor検索に有効なデータストアを構築する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-14T11:50:01Z) - Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding
BoxSupervision [52.45336255472669]
深層学習のための弱教師付きドメイン適応設定を提案する。
Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。
肝セグメンテーションにおける本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-08-19T01:51:04Z) - End-to-end Trainable Deep Neural Network for Robotic Grasp Detection and
Semantic Segmentation from RGB [13.546424272544805]
パラレルプレートグリップに適したグリップ検出のための高品質なCNNアーキテクチャを提案する。
提案するネットワークは,コーネルとジャカードという2つの一般的な把握データセットに対して,最先端の精度を提供する。
論文 参考訳（メタデータ） (2021-07-12T09:45:13Z) - Word-level Human Interpretable Scoring Mechanism for Novel Text
Detection Using Tsetlin Machines [16.457778420360537]
新規性への貢献度に応じて個々の単語を評価するためのTsetlin マシンアーキテクチャを提案する。
本手法はtm節で捉えた言語パターンを用いて,新しい文書の記述を符号化する。
次に、この記述を採用し、単語がドキュメントの新規作成にどれだけ貢献しているかを測定します。
論文 参考訳（メタデータ） (2021-05-10T23:41:14Z) - A Few Guidelines for Incremental Few-Shot Segmentation [57.34237650765928]
事前訓練されたセグメンテーションモデルと、新しいクラスを含む画像が少ないことを前提として、我々が目指すのは、以前に見たセグメンテーション能力を維持しながら、新しいクラスをセグメンテーションすることである。
このシナリオにおけるエンド・ツー・エンドのトレーニングの主な問題はどのようなものかを示します。
一 バッチ正規化統計を、バッチ正規化で修正できる新しいクラスへ向けての漂流すること。
二 旧クラスの忘れ物 正規化戦略で解決できるもの。
論文 参考訳（メタデータ） (2020-11-30T20:45:56Z) - Neuro4Neuro: A neural network approach for neural tract segmentation
using large-scale population-based diffusion imaging [7.265739747023668]
白色物質(WM)の微細構造の変化は、正常な老化と神経変性と関連している。
Neuro4Neuroは畳み込みニューラルネットワーク(CNN)を用いた拡散画像からWMトラクションを直接抽出できる
この3次元エンド・ツー・エンド法は、大集団による研究(N=9752, 1.5T MRI)から、25WM領域の老年者へのセグメンテーションを訓練する。
論文 参考訳（メタデータ） (2020-05-26T16:14:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。